Modelos de analítica

Modelando datos

Lo primero es identificar el tipo de relación: lineal o no lineal

Medidas bidimensionales

• Covarianza: Mide el grado de asociación lineal entre dos variables. Los valores que toma dependen de las unidades de medida de las variables, no están acotados.

Correlación lineal

Otros tipos de asociación

Una Correlación de CERO no debe interpretarse como “No existe asociación”, solo permite concluir que no hay asociación lineal pero puede existir una relación de otro tipo. Por ejemplo, Salario Vs. Experiencia. Otro aspecto a considerar es la presencia de datos atípicos (“raros”) que puedan ser influyentes.

El entorno tidyverse

Flujo de trabajo

La gramática de las gráficas

Requiere de al menos 3 elementos:

• Datos
• aesthetics: variables.
• geometría

ggplot(data = datos, aes(x = _, y = _)) +
  geom_point()

Ejemplo

Usemos un conjunto de datos estándar del paquete modelr

library(pacman)
p_load(tidyverse, broom, modelr, 
       skimr, corrplot)

datos <- heights 

glimpse(datos)
skim(datos)

Diagramas de dispersión

ggplot(data = datos, aes(x = height, y = weight)) +
  geom_point() +
  labs(x = 'Estatura', y = 'Peso')

ggplot(data = datos, aes(x = income, y = age)) +
  geom_point(color = "lightblue", alpha=0.1) +
  labs(x = 'Ingreso', y = 'Edad') +
  theme_bw() 

ggplot(data = datos, aes(x = income, y = education)) +
  geom_point(color = "lightblue", alpha=0.1) +
  labs(x = 'Ingreso', y = 'Educación') +
  theme_bw() +
  facet_wrap(~sex, ncol = 2)

Correlación

La correlación mide el grado de asociación lineal y se calcula usando la función cor(), también se pueden representar gráficamente usando paquetes como corrplot

vars <- datos |> select(height, weight, income, age, education)

cor(vars, use = "complete")

               height      weight      income          age    education
height     1.00000000  0.46819603  0.21795196 -0.018027269  0.064838443
weight     0.46819603  1.00000000  0.05247293 -0.014656703 -0.045021628
income     0.21795196  0.05247293  1.00000000 -0.023703215  0.394288235
age       -0.01802727 -0.01465670 -0.02370322  1.000000000 -0.005998421
education  0.06483844 -0.04502163  0.39428823 -0.005998421  1.000000000

vars <- datos |> select(height, weight, income, age, education)

r <- cor(vars, use = "complete")
corrplot(r)

# vignette("corrplot-intro")

You can add R code

library(dplyr)
library(ggplot2)
g <- starwars |> 
  ggplot() +
  geom_point(aes(x = height, y = mass)) +
  theme_light()

And show the results aswell :)

g 

gt::gt()

reactable::reactable()

Diagrams with Mermaid!

Read about how to create a diagram in this post by Mine Çetinkaya-Rundel.

Exporting into PDF

You can use the function pagedown::chrome_print() to print the HTML version into a PDF!

pagedown::chrome_print("path-to-file.html")